DivInit: 打破智能体搜索的并行采样瓶颈

智能体搜索（Agentic Search）正在成为大模型落地的关键场景——模型不再是单次生成答案，而是通过多轮检索、推理和工具调用逐步逼近正确结果。但一个棘手的问题是：如何高效地利用测试时的计算资源？

传统思路分两种：增加深度（让每个搜索路径更长、更细致）或增加广度（并行运行多条搜索路径）。后者看似直观——多跑几路不就更容易找到答案？但一篇来自 arXiv 的新论文（2606.17209）指出，标准并行采样存在严重的查询冗余：模型在第一条路径中提出的第一个问题，往往与其他路径的第一个问题高度相似。结果就是，不同路径检索到的文档重叠严重，后续推理建立在这些重叠信息上，收益自然递减。

冗余的根源：首轮查询的同质化

研究团队对开源模型进行了系统分析。他们发现，当模型被要求为同一个问题生成多个独立搜索查询时，超过 60% 的查询在语义上高度重合。例如，面对“2023 年诺贝尔物理学奖得主有何共同贡献？”这类多跳问题，多条并行路径可能都先搜索“2023 年诺贝尔物理学奖”，而忽略了从不同角度切入的可能性——比如先查“获奖者的代表性论文”或“相关领域近年突破”。

这种同质化导致计算浪费：每一条路径都在重复爬相同的网络页面，而真正能连接线索的差异化信息却被遗漏。增加并行数（k）到一定规模后，准确率出现明显的平台期。

DivInit：一次调用，多样播种

核心方法名为 DivInit（Diverse Initialization），完全无需微调或额外训练。其做法非常务实：

• 首先，让模型一次生成 n 个候选查询（n > k，比如 n=20，k=5）；
• 然后，从这 n 个候选中选出 k 个多样性最高的查询作为初始种子；
• 最后，将这 k 个查询分别作为并行搜索路径的起点，独立运行完整的多轮搜索流程。

选择多样性的算法很轻量：计算所有候选两两之间的语义距离，再运行一个最大化最小距离的贪心选择。整个过程只需几次向量点积，成本几乎可以忽略。

实验覆盖了 5 个开源模型和 8 个多跳问答基准，包括 MuSiQue、HotpotQA 等。平均来看，DivInit 在相同计算量下比标准并行采样高出 5-7 个百分点。尤其在需要连接多个知识片段的问题上，提升最为显著——因为多样化首轮查询天然更容易找回互补的证据。

实际影响：对谁有意义，下一步看什么

【实际影响】 对正在构建搜索增强型智能体（如 RAG 系统的进阶版）的团队来说，DivInit 提供了一条几乎零成本的改进路线。用户无需更换模型或调整训练流程，只需在首轮查询生成后加一个多样性筛选步骤，就能获得稳定的准确率提升。这意味着，在相同推理预算下，智能体可以回答更复杂的问题了。

不过论文也坦承局限：当模型本身生成能力弱时，候选池的多样性先天不足，DivInit 的效果会打折扣。此外，多样性的度量目前只依赖语义嵌入，可能忽略对特定任务重要的领域差异。

下一步值得关注的方向包括：将 DivInit 与动态深度扩展结合，以及设计更智能的多样性度量（例如基于任务目标的奖赏信号）。代码已在 GitHub 上开源，有条件的读者可以动手复现。

总之，这项研究提醒我们：有时候提升 not more, but smarter——不盲目增加并行数，而是让每一次并行都跑得更聪明。对于多轮搜索智能体来说，这个思路值得一试。